| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-22页 |
| 1.1 课题研究的背景及意义 | 第13-15页 |
| 1.2 WSN国内外研究概述 | 第15-16页 |
| 1.3 WSN故障诊断现状及主要方法 | 第16-18页 |
| 1.4 WSN故障诊断面临的挑战 | 第18-20页 |
| 1.5 论文主要工作 | 第20-22页 |
| 第二章 WSN系统及故障模型 | 第22-28页 |
| 2.1 WSN体系架构 | 第22-23页 |
| 2.2 故障诊断基本过程及其特点 | 第23-24页 |
| 2.3 WSN故障模型 | 第24-27页 |
| 2.3.1 WSN节点故障 | 第24-25页 |
| 2.3.2 WSN系统故障 | 第25-27页 |
| 2.4 本章小节 | 第27-28页 |
| 第三章 基于免疫危险理论的WSN节点故障诊断 | 第28-36页 |
| 3.1 免疫危险理论的生物学基础 | 第28-29页 |
| 3.2 免疫危险理论概念在WSN故障诊断的定义 | 第29-31页 |
| 3.2.1 抗原、抗体定义 | 第30页 |
| 3.2.2 抗体库定义 | 第30-31页 |
| 3.2.3 亲和度定义 | 第31页 |
| 3.3 WSN节点故障诊断算法 | 第31-33页 |
| 3.3.1 训练抗体库 | 第31-32页 |
| 3.3.2 识别危险源 | 第32页 |
| 3.3.3 诊断分类 | 第32页 |
| 3.3.4 更新抗体库 | 第32-33页 |
| 3.4 算法流程图与伪代码 | 第33-35页 |
| 3.5 算法时间复杂度 | 第35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于时间加权K-近邻法的WSN系统故障诊断 | 第36-45页 |
| 4.1 系统故障数据分析 | 第36-40页 |
| 4.2 时间加权K-近邻法 | 第40-44页 |
| 4.2.1 算法分类规则 | 第40-41页 |
| 4.2.2 时间加权K-近邻法参数 | 第41-42页 |
| 4.2.3 算法流程图与伪代码 | 第42-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第五章 仿真实验 | 第45-57页 |
| 5.1 仿真平台介绍 | 第45-46页 |
| 5.2 WSN节点故障诊断算法 | 第46-51页 |
| 5.2.1 实验背景 | 第46-47页 |
| 5.2.2 识别危险源 | 第47页 |
| 5.2.3 诊断分类 | 第47-48页 |
| 5.2.4 更新抗体库 | 第48-49页 |
| 5.2.5 对比实验 | 第49-51页 |
| 5.3 WSN系统故障诊断算法 | 第51-55页 |
| 5.3.1 实验背景 | 第51-52页 |
| 5.3.2 最大加权回合R取值分析 | 第52-53页 |
| 5.3.3 衰减系数S取值讨论 | 第53-54页 |
| 5.3.4 诊断分类正确率 | 第54-55页 |
| 5.3.5 对比实验 | 第55页 |
| 5.4 本章小节 | 第55-57页 |
| 总结与展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表论文及专利 | 第63-65页 |
| 致谢 | 第65页 |